⚡ electrical engineering

Channel Estimation and Beamforming for Microwave Linear Analog Computers (MiLACs)-Aided Multiuser MISO Systems

본 논문은 채널의 랭크 결핍(rank deficiency)을 활용하여 아날로그 영역에서 신호를 압축함으로써, 디지털 베이스라인과 대등한 성능을 유지하면서도 계산 복잡도를 대폭 감소시킨 MiLAC 지원 다중 사용자 MISO 시스템을 위한 계산 효율적인 채널 추정 및 빔포밍 기법을 제안한다.

원저자: Qiaosen Zhang, Matteo Nerini, Bruno Clerckx

게시일 2026-07-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Qiaosen Zhang, Matteo Nerini, Bruno Clerckx

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

큰 그림: "초연결" 도시

수천 명의 사람들이 중앙 타워(기지국)와 동시에 대화하려고 노력하는 미래의 도시를 상상해 보세요. 모든 사람의 목소리가 명확하게 들리도록 하기 위해, 타워는 수천 개의 안테나 배열을 사용해야 합니다. 이는 마치 수천 개의 마이크를 가진 것과 같습니다.

이 작업을 수행하는 기존 방식(디지털 빔포밍)에서는 타워마다 각각 전용의 비싸고 전력을 많이 소비하는 컴퓨터 프로세서를 갖춰야 합니다. 만약 256개의 안테나가 있다면, 256개의 프로세서가 필요합니다. 이는 256명의 사람에게 듣기 위해 256명의 비서를 고용하는 것과 같습니다. 이는 매우 비싸고 느리며 전기를 너무 많이 사용합니다.

**마이크로파 선형 아날로그 컴퓨터(MiLACs)**는 새로운 발명품으로, "스마트 필터"나 "마법 렌즈"처럼 작동합니다. 소리를 처리하기 위해 컴퓨터를 사용하는 대신, MiLAC는 특수한 파이프 네트워크를 통해 이동하는 마이크로파의 물리적 특성을 이용하여 작업을 즉각적으로 수행합니다. 이는 개별 안테나마다 컴퓨터를 필요로 하지 않고도 신호를 집중시킬 수 있습니다.

문제점: "눈먼" 타워

논문은 한 가지 큰 난관을 지적합니다. MiLAC는 신호를 보내는 것(빔포밍)에는 뛰어나지만, 사용자가 어디에 있는지 알아내기 위해 듣는 것(채널 추정)에는 어려움을 겪습니다.

신호를 어디로 보낼지 알기 위해서는 타워와 사용자 사이의 공기 중 "지도"를 알아야 합니다.

기존 방식: 타워는 256개의 마이크를 모두 사용하여 모든 사람의 소리를 듣고, 방대한 양의 데이터를 기록한 다음, 슈퍼컴퓨터를 사용하여 지도를 계산합니다. 이는 MiLAC를 사용하는 목적을 무색하게 만듭니다. 다시 비싼 프로세서와 높은 전력 소비 문제로 돌아가기 때문입니다.
MiLAC 방식: 타워는 단 몇 개의 "귀"(RF 체인)만을 가집니다. 예를 들어 16명의 사용자를 위해 16개만 있을 수 있습니다. 이 방식으로는 256차원의 완전한 소리를 들을 수 없습니다. 이는 256개의 악기 중 단 16개의 악기 소리만 듣고 교향곡을 이해하려는 것과 같습니다.

해결책: "스마트 압축" 기술

저자들은 비싼 컴퓨터 없이 이 "눈먼" 문제를 해결하기 위해 영리한 2단계 솔루션을 제안합니다.

1. "그룹화" 비유 (채널 추정)

사용자들이 단순히 무작위로 흩어져 있는 것이 아니라, 서 있는 위치에 따라 그룹을 이루어 앉아 있다고 상상해 보세요. 같은 그룹에 속한 사람들은 아마도 타워를 보는 각도가 비슷할 것입니다.

기술: 모든 사람을 개별적으로 정밀하게 들으려고 노력하는 대신, MiLAC는 스마트 압축 렌즈 역할을 합니다. 256개 안테나에서 오는 전체의 복잡한 소리를 압축하여 타워의 적은 수의 "귀"에 들어갈 수 있도록 작고 깨끗한 버전으로 만듭니다.
작동 원 원리: 이는 사람들이 그룹 내에서 유사한 "패턴"을 공유한다는 사실을 이용합니다. MiLAC는 노이즈와 중복성을 걸러내고 신호의 필수적인 "형태"만을 남깁니다.
결과: 이제 타워는 매우 적은 컴퓨팅 파워를 사용하여 사용자의 지도를 계산할 수 있습니다.
- 비유: 군중 전체의 고해상도 사진을 찍는 대신(이는 거대한 컴퓨터를 필요로 함), MiLAC는 사람들이 정확히 어디에 있는지는 여전히 포착하면서도 양식화된 저해상도 스케치를 찍는 것과 같습니다. 컴퓨터는 사진이 아니라 스케치를 그리기만 하면 됩니다.

저자들은 두 가지 버전을 테스트했습니다:

작은 그룹: 그룹이 적을 경우, "가상 채널(Virtual Channel)" 방식(그룹 패턴에 집중)을 사용합니다.
큰 그룹: 그룹이 많을 경우, "글로벌 가상 채널(Global Virtual Channel)" 방식(여전히 작동하는 약간 더 복잡한 스케치)을 사용합니다.

성과: 이 방식은 기존 디지털 방식보다 최대 1,540배 빠르며, 훨씬 적은 컴퓨팅 파워를 사용하면서도 지도를 똑같이 정확하게(또는 어떤 경우에는 더 좋게) 얻어낼 수 있음을 발견했습니다.

2. "이중 렌즈" 기술 (빔포밍)

지도를 파악한 후, 타워는 데이터를 다시 보내야 합니다. 기존의 디지털 방식은 신호를 완벽하게 조준하기 위해 방대한 계산을 필요로 합니다.

문제: 단일 MiLAC는 간단한 작업에는 뛰어나지만, 신호를 모든 사람에게 완벽하게 조준하기 위해 필요한 복잡한 수학적 계산을 쉽게 수행할 수는 없습니다.
해결책: 저자들은 캐스케이드(Cascade) MiLAC를 구축했습니다. 두 개의 마법 렌즈를 일렬로 연결한다고 상상해 보세요.
- 첫 번째 렌즈가 수학의 첫 번째 부분을 수행합니다.
- 두 번째 렌즈가 나머지 작업을 마무리합니다.
- 함께 작동하는 이 시스템은 파동이 흘러가는 것만으로도 복잡한 조준 작업을 즉각 수행하는 슈퍼 렌즈 역할을 합니다. 실제 전송 중에는 컴퓨터가 필요 없습니다.

성과: 이 "이중 렌즈" 시스템은 디지털 컴퓨터 방식보다 최대 16,108배 빠릅니다. 데이터 전송 속도(합계 전송률)는 동일하게 유지하면서도 컴퓨팅 비용은 거의 제로에 가깝습니다.

트레이드오프: "학습의 비용"

한 가지 작은 단점이 있습니다. 타워의 "귀"가 더 적기 때문에, 지도를 만들기 위해 사용자의 소리를 듣는 데 약간의 추가 시간이 필요합니다.

비유: 이는 학생을 직접 듣는 귀는 적지만, 모두를 이해하기 위해 몇 가지 질문을 더 던져야 하는 선생님과 같습니다.
결과: 이 추가적인 "듣는 시간"은 실제 데이터를 보내는 시간을 약간 줄입니다. 사용자 그룹이 많은 시나리오에서는 이 "학습 시간"이 전체 속도를 아주 조금 갉아먹습니다. 하지만 엄청난 하드웨어 비용 절감과 에너지 절감 효과는 이를 충분히 가치 있는 거래로 만듭니다.

요 Summary of Claims (요약)

수행한 작업: 저자들은 슈퍼컴퓨터 대신 "마법의 마이크로파 렌즈"(MiLACs)를 사용하여 거대 안테나 시스템을 통해 사용자의 소리를 듣고 신호를 조준하는 새로운 방법을 만들었습니다.
작동 원리:
1. 듣기: MiLAC를 사용하여 수천 개의 안테나로부터 오는 소리를 제한된 하드웨어에 적합한 크기로 압축한 다음, 간단한 계산을 수행합니다.
2. 보내기: 두 개의 MiLAC를 직렬로 연결하여 디지털 수학 없이도 신호를 즉각적으로 조준합니다.
결과:
- 속도: 이 방식은 표준 디지털 방식보다 지도를 파악하는 데 약 1,500배, 신호를 조준하는 데 16,000배 더 빠릅니다.
- 성능: 비싼 디지털 방식과 동일한 속도로 데이터를 전달할 수 있습니다(단, 먼저 "듣는" 데 드는 약간의 시간을 고려해야 함).
- 하드웨어: 이 시스템은 매우 적은 수의 비싼 무선 부품만으로도 작동할 수 있어, 막대한 비용과 전력을 절감할 수 있습니다.

기술 요약: MiLAC 지원 다중 사용자 MISO 시스템을 위한 채널 추정 및 빔포밍

문제 정의
미래의 거대 다중 입출력(MIMO) 시스템은 초고속 데이터 전송률과 대규모 연결성을 약속하지만, 안테나당 하나의 무선 주파수(RF) 체인을 요구하는 기존의 디지털 빔포밍을 채택할 경우 과도한 하드웨어 비용과 계산 복잡성에 직면하게 된다. 마이크로파 선형 아날로그 컴퓨터(MiLAC)는 빔포밍 계산을 아날로그 영역으로 오프로드하여 RF 체인의 수를 획기적으로 줄이고 계산 부하를 줄이는 해결책으로 등장했다. 그러나 기존의 MiLAC 연구는 빔포밍 설계와 모델링에 집중되어 있으며, 다중 사용자(MU) 시스템을 위한 효율적인 채널 추정 기법이 부족하다는 결정적인 공백이 존재한다. 기존의 채널 추정은 전체 차원의 수신 신호를 획득하고 대규모 디지털 처리를 수행해야 하는데, 이는 MiLAC의 하드웨어 및 복잡성 이점을 상쇄한다. 또한, MiLAC 지원 시스템의 제한된 RF 체인 수는 전체 차원의 신호에 대한 직접적인 접근을 방해하여 정확한 채널 상태 정보(CSI) 획득을 어렵게 만든다.

방법론
본 논문은 시간 분할 쌍방향(TDD) 방식에서 동작하는 MiLAC 지원 다중 사용자 단일 입출력(MU-MISO) 시스템을 위한 프레임워크를 제안한다. 이때 RF 체인의 수는 $L=K$ ( $K$ 는 사용자 수)로 제한된다. 방법론은 세 가지 핵심 축을 기반으로 한다:

시스템 모델 및 사용자 그룹화: 시스템은 채널 상관 행렬의 유사성을 기반으로 $G$ 개의 서로 소인 그룹으로 분할된 사용자들을 모델링한다(결합 공간 분할 및 다중화 원리 적용). 각 그룹 내에서 사용자들은 공통된 상관 구조를 공유하며, 이를 통해 채널은 그룹의 고유 벡터(eigenvectors)에 의해 생성된 저차원 부공간(subspace)으로 표현될 수 있다.
채널 추정을 위한 아날로그 압축: RF 체인의 제한 문제를 해결하기 위해, 저자들은 채널 상관 행렬의 계수 결핍(rank deficiency) 특성을 활용할 것을 제안한다.
- Small- $G$ 영역: 그룹의 수가 적고 그룹 부공간 간의 중첩이 크지 않을 때, 가상 채널 추정(Virtual Channel Estimation) 기법이 사용된다. MiLAC는 그룹 고유 벡터( $U_g$ )를 사용하여 아날로그 부공간 투영을 수행함으로써, 전체 차원의 수신 신호를 저차원의 관측값으로 압축한다. 이후 디지털 처리는 오직 저차원의 가상 채널만을 추정한다.
- Large- $G$ 영역: 그룹 부공간이 중첩되는 경우(Large $G$ ), 전역 가상 채널 추정(Global Virtual Channel Estimation) 기법이 채택된다. 시스템은 특이값 분해(SVD)를 통해 모든 그룹 부공간의 합집합을 포괄하는 full-column-rank 행렬을 계산한다. MiLAC는 신호를 이 전역 부공간으로 투영하여 전역 가상 채널의 추정을 가능하게 한다.
- 두 기법 모두 최소 제곱(LS) 및 최소 평균 제곱 오차(MMSE) 추정기를 사용하여 압축된 관측값에 적용되며, 전체 차원의 신호 행렬을 저장하거나 처리할 필요를 없앤다.
빔포밍을 위한 캐스케이드(Cascade) MiLAC: 저차원 채널 추정치로부터 전체 차원의 채널을 재구성하지 않고 정규화 제로 포싱 빔포밍(R-ZFBF)을 구현하기 위해, 저자들은 캐스케이드 MiLAC 구조를 도입한다. 이는 직렬로 연결된 두 개의 MiLAC로 구성된다. 첫 번째 MiLAC는 역행렬 및 정규화 연산을 담당하고, 두 번째 MiLAC는 안테나 도메인으로의 재투영을 담당한다. 이 구조를 통해 가상 채널 추정치로부터 R-ZFBF 프리코더를 낮은 계산 복잡도로 직접 구현할 수 있다.

주요 기여

시스템 모델: 제한된 RF 체인과 사용자 그룹 간의 다양한 채널 상관 행렬을 명시적으로 고려하여, MiLAC 지원 MU-MISO 시스템의 업링크 트레이닝 및 다운링크 빔포밍을 통합한 포괄적인 모델을 제시한다.
효율적인 채널 추정 기법: MiLAC를 활용한 아날로그 압축을 통해 두 가지 새로운 추정 전략(가상 및 전역 가상 채널 추정)을 제공한다. 이 기법들은 추정 문제의 차원을 $M$ (안테나 수)에서 $r$ 또는 $\tilde{r}$ (부공간 차원)으로 줄여 디지털 계산 비용을 크게 낮춘다.
캐스케이드 MiLAC 구조: 저차원 채널 지식만을 사용하여 R-ZFBF를 직접 구현하기 위한 2단계 캐스케이드 MiLAC를 제안한다. 이는 단일 MiLAC가 가상 채널로부터 전체 채널을 재구성하지 않고는 R-ZFBF를 효율적으로 구현할 수 없다는 한계를 극복한다.
이론적 및 수치적 검증: 제안된 기법들이 디지털 베이스라인보다 우수하거나 대등한 평균 제곱 오차(MSE) 성능을 달enc하면서도 계산 복잡도를 획기적으로 줄임을 입증하는 분석적 증명과 수치적 시뮬레이션을 제공한다.

결과
수치 결과는 제안된 기법을 기존 디지털 베이스라인(LS 및 MMSE) 및 디지털 R-ZFBF와 비교 검증한다:

채널 추정: 제안된 MiLAC 지원 기법은 LS 추정에서 더 낮은 MSE를 달성하고, MMSE 추정에서는 디지털 대응 모델과 동일한 MSE를 달성한다. 결정적으로, 이들은 계산 복잡도를 최대 1540배(Small- $G$ 영역에서 $G=4$ 일 때)까지 줄인다.
빔포밍: 캐스케이드 MiLAC 기반 R-ZFBF는 트레이닝 오버헤드를 무시할 경우 디지털 R-ZFBF와 동일한 합계 전송률(sum rate)을 달성한다. 트레이닝 오버헤드를 포함할 경우, 추가적인 트레이닝 심볼 요구로 인해 특히 Large- $G$ 영역에서 유효 합계 전송률이 약간 감소하는 현상이 관찰된다.
복잡도 감소: 빔포밍 기법은 디지털 R-ZFBF 대비 계산 복잡도를 최대 16,108배까지 줄인다.
트레이드오프(Trade-offs): 본 논문은 근본적인 트레이드오프를 강조한다. 즉, 제안된 기법들은 하드웨어 복잡성(RF 체인)과 계산 부하를 크게 줄이지만, 추가적인 트레이닝 오버헤드가 발생한다. 이 오버헤드는 Large- $G$ 영역에서 더 두드러지며, 이로 인해 완전히 디지털화된 시스템에 비해 유효 합계 전송률이 약간 저하될 수 있다.

의의
본 논문은 이러한 기여가 MiLAC 지원 거대 MIMO 시스템의 잠재력을 실현하기 위한 필수적인 단계라고 주장한다. 채널 추정의 병목 현상을 해결하고 압축된 데이터로부터 효율적인 빔포밍을 수행하는 메커니즘을 제공함으로써, 본 연구는 최소한의 RF 체인과 낮은 계산 복잡성을 유지하면서도 성능 저하 없이 시스템을 구축할 수 있게 한다. 특히 캐스케이드 MiLAC의 도입은 저차원의 채널 지식만을 사용하여 복잡한 프리코딩 행렬(R-ZFBF와 같은)을 아날로그 영역에서 구현하는 과제를 해결한다. 저자들은 기본 한계를 규명하기 위해 완전히 재구성 가능한 MiLAC를 가정하여 분석하였으며, 무손실(lossless) 및 상호성(reciprocity) 제약 조건에 대한 확장은 향후 과제로 남겨두었다.